《人工智能》机器学习及有监督学习-2022年春夏.pptxVIP

机器学习：监督学习

教学课程组

;提纲;机器学习:从数据中学习知识

;机器学习的分类

;机器学习：分类问题;监督学习的重要元素;机器学习的初心：化繁为简、大道至简;监督学习：损失函数;监督学习：损失函数;监督学习：训练数据与测试数据;监督学习：经验风险与期望风险;;监督学习:“过学习(over-fitting)”与“欠学习(under-fitting)”;;监督学习两种方法：判别模型与生成模型;?;监督学习;提纲;线性回归(linearregression);?;给出任意一对父母平均身高，则可根据上述方程，计算得到其子女平均身高

从父母平均身高来预测其子女平均身高

如何求取上述线性方程（预测方程）的参数？;一元线性回归模型例子;图4.2气温温度取值和受到火灾影响森林面积之间的一元线性回归模型（实线为最佳回归模型）;?;;?;;;多元线性回归模型例子;线性回归：多元线性回归;线性回归：多元线性回归;逻辑斯蒂回归/对数几率回归模型例子;逻辑斯蒂回归/对数几率回归模型例子;;;;;;;;提纲;;决策树分类案例;;;决策树：信息增益;决策树：构建决策树;物理熵与信息熵;提纲;;;;;;;;;;;;提纲;对于一个复杂的分类任务，可以将其分解为若干子任务，然后将若干子任务完成方法综合，最终完成该复杂任务。

将若干个弱分类器(weakclassifiers)组合起来，形成一个强分类器(strongclassifier)。

能用众力，则无敌于天下矣；能用众智，则无畏于圣人矣(语出《三国志·吴志·孙权传》)

;计算学习理论(ComputationalLearningTheory);计算学习理论：霍夫丁不等式(Hoeffding’sinequality)

;对于统计电视节目收视率这样的任务，可以通过不同的采样方法（即不同模型）来计算收视率。

每个模型会产生不同的误差。

问题：如果得到完成该任务的若干“弱模型”，是否可以将这些弱模型组合起来，形成一个“强模型”。该“强模型”产生误差很小呢？这就是概率近似正确（PAC）要回答的问题。

;强可学习

(stronglylearnable);AdaBoosting：思路描述;AdaBoosting：思路描述;AdaBoosting：算法描述---数据样本权重初始化;?;?;AdaBoosting：算法解释;AdaBoosting：算法解释;AdaBoosting：算法解释;AdaBoosting：算法解???;AdaBoosting：回看霍夫丁不等式;AdaBoosting：优化目标;AdaBoosting：例子;AdaBoosting：例子;AdaBoosting：例子;AdaBoosting：例子;AdaBoosting：例子;AdaBoosting：例子;回归与分类的区别;提纲;支持向量机：VC维与结构风险最小化;支持向量机：VC维与结构风险最小化;支持向量机：VC维与结构风险最小化;支持向量机：VC维与结构风险最小化;支持向量机：线性可分支持向量机;支持向量机：线性可分支持向量机;支持向量机：线性可分支持向量机;支持向量机：松弛变量，软间隔与hinge损失函数;支持向量机：松弛变量，软间隔与hinge损失函数;支持向量机：核函数;提纲;生成学习模型;生成学习模型;生成学习模型;作业内容